随着各行业对数据的重视程度不断提升，数据智能分析预测需求也随之兴起，尤其是在金融行业。
当前市场上，机器学习、深度学习的开源软件包比比皆是，但由于在选择以及调试开源包时需要大量业务知识以及统计知识，真正能够将这些工具利用好，并解决企业需求的专业建模人员，数量非常之少。
清数易明成立于2017年，由清数D-LAB孵化，是一家大数据智能建模公司。正是看到了市场对于智能建模的需求，投入一年时间研发和调试，推出了易明智能建模工具，主要针对金融行业，帮助客户实现建模自动化、智能化。
清数易明创始人蒋步星认为，利用易明智能建模工具所得到的模型，当前能够达到中高级建模人员水平，基本可以满足客户要求。
现阶段，易明智能建模工具主要客群是金融业，包括保险、银行以及互联网金融公司，应用场景集中在客户营销、信贷违约预测、保险定价策略以及反欺诈等。
收费层面，易明采用软件License方式，产品化程度高。由于商业化运作从今年3月份才开始，所以目前还是以试用客户为主。
蒋步星是清数易明主要创始人，也是润乾软件创始人，清华大学计算机硕士，软件工程能力强，主要负责清数易明的软件实现。此外，清数易明特别顾问王中庆教授，为佛罗里达州立大学数据挖掘中心主任，具有深厚的统计学知识，负责为易明智能建模工具提供知识指导。
利用开源算法，融入建模经验，提高建模效率
爱分析：商业化之前，易明智能建模工具研发周期有多长？
蒋步星：2016年下半年开始研发，经过半年时间，2017年4月份做出了原始版本，之后选择了3-4个场景去做验证调试工作。2017年10月份左右，软件的性能和稳定性就达到了一个比较好的水平。
爱分析：产品是完全自研的？
蒋步星：在数据预处理上，我们是完全自研的；在数据挖掘算法上，利用了开源包来完成，但是会根据自身的统计学知识，对其中一些算法参数进行修改，以达到更好的效果。之后，我们也会逐渐自己重写这些算法。
爱分析：与数据挖掘算法开源包相比，使用易明智能建模工具有什么区别？
蒋步星：首先，利用一个同样的开源包，如果你自身没有统计学知识，那就无法根据数据来进行参数调整，而我们的软件就可以自动完成这一步，不需要有统计学背景，所以可以跑出更好的效果。
其次，针对不同的数据，需要选择合适的模型算法，利用开源包很难覆盖所有可能，或者需要很长时间，易明建模软件就可以更全面的覆盖模型以及节省时间。
最后，我们会根据统计知识，对数据进行预处理，使其能够更好的在模型中训练。
爱分析：怎么看待这款产品的核心竞争力？
蒋步星：我们的核心技术就是数据处理以及模型选择等方面经验，这些就让我们整个软件不单单是一个机器学习开源包的组合了。
爱分析：目前，您认为智能建模工具有哪些实现途径？
蒋步星：主要有两种方式，一种是基于经验规则的，就是说在软件开发过程中，会加入一些已经有的建模经验，比如原始数据的处理方式、模型的筛选等等，这种方式的好处就是可以极大提高建模效率，也是我们易明智能建模工具的实现方式。
另一种方式是，不预先设定规则，通过深度学习算法进行暴力搜索，这也是现在业界比较流行的方式。
至于哪种模式比较好，现在来看的话，在金融场景中，前者的效果还是相对比较好，但整个业界都非常重视后者的研究，目前还看不出来哪种是未来的发展方向。
智能建模效果达到人工建模水平，未来将推出集群版本
爱分析：易明智能建模工具的产品定位是怎样的？
蒋步星：我们的期望是在一定程度上能够取代SAS部分功能，但是现在产品还是处在初级阶段，只能做预测模型，后面还有很长的路要走。
爱分析：具体有哪些特点？
蒋步星：首先，降低了对于建模人员的要求，原来人工建模方式中，建模人员需要理解业务模式以及相关统计知识，现在通过我们这个智能建模软件，就可以极大的降低对于建模人员统计知识的要求。
其次，节省时间成本，之前人工建模通常需要2-3个月，现在有了自动建模工具，建模时间可以缩短到几个小时。
最后，改变了业务模式，之前人工建模的方式需要大量人力成本来配合，不可能针对不同业务或者不同地区建立针对性模型，现在通过智能建模软件，就可以实现这些事情，更好的为客户来服务。
爱分析：一个完整的数据挖掘项目的周期是多长时间？
蒋步星：对于一个完整的数据挖掘项目，可能70%时间都会花在数据预处理阶段，建模工作可能只需要占30%。所以现在我们可以通过将易明智能建模工具整合到润乾产品线中，进一步提升数据挖掘项目的效率。
爱分析：易明智能建模工具所需要的数据量是多少？
蒋步星：当前推出的版本还是单机版，一般来说，几万到几百万的规模是比较合适的。目前正在研发大数据版本，计划年内能发布。
爱分析：使用易明建模工具是否需要专业知识？
蒋步星：原则上只需要告诉软件目标变量是哪个就可以了。当然，如果能根据具体业务给出一些衍生变量，比如通过日期判断是否是节假日等，会使得最后的模型效果会更好。
爱分析：与传统的人工建模模型有何差距？
蒋步星：利用易明智能建模工具所得到的模型，基本能达到人工建模的平均水平，但是与最顶尖的建模人员还是有一些差距。这其中的原因就是，顶尖建模人员对于模型以及参数的理解会更深，可以根据业务场景得到更精细的模型。
爱分析：通过易明智能建模工具所得到模型，是否会随着数据不断更新而变化？
蒋步星：我们管这个叫模型反馈，就是利用新的数据以及之前运行过程中积累的信息来调整现有模型，现在我们在做一些实验来验证，还没有添加到产品中。
爱分析：今后，易明是否会推出集群版的建模软件？
蒋步星：是的，我们正在做这方面工作，就是上面说的大数据版本，会使用分布式技术，实现集群版本，这样就可以利用更多的数据来训练模型。
爱分析：易明是否会推出云服务？
蒋步星：当客户的数据没有很强的敏感性时，我们会考虑云服务。但金融行业客户对数据隐私性都非常敏感，我们做验证都必须到用户现场去做，用户基本上不可能把数据移到云上，所以云服务目前还不是一种非常合适的方式。
爱分析：未来易明的产品是否会向数据存储、数据展示等方向延伸？
蒋步星：我觉得都是有可能的，当然整个产品应该还是一个比较开放的态度，可以跟其他产品进行集成，因为一个软件不可能在所有方面都能做到最好。
商业化初期，以金融行业为切入点
爱分析：商业化是从什么时候开始的？
蒋步星：产品商业化大概是从今年3月份开始，时间很短，现在还是以试用客户为主。
爱分析：销售方式是怎样的？
蒋步星：现在我们是通过软件license的方式进行销售，以及部分技术支持服务，还没有考虑其他解决方案服务，整个项目现在是通过了技术验证，在进行商业验证。
爱分析：主要销售对象是甲方本身，还是集成商？
蒋步星：应该还是直接面向甲方的，因为这样甲方才能直接体会到它的业务价值，但是在之后的上线实施过程中，可能还是需要集成商来配合。
爱分析：目前，易明智能建模工具是怎样集成到银行业务系统的？
蒋步星：主要还在独立建模阶段，还没有集成到银行业务系统中上线案例，因为这类智能建模工具还是非常新的软件产品，银行之前没有相关系统来集成，这也就是我说的未来这类工具有可能会改变银行业务模式，可能会开创出新的应用方式。
爱分析：为什么选择金融行业作为切入点？
蒋步星：我们其实在各个行业都有过调研，最后选择了金融行业，主要是因为以下几个原因。
第一，金融行业有丰富的历史数据。因为金融行业在数据挖掘领域这一块本身就投入了很多，所以有很多数据可以利用，我们也曾经尝试过工业，但是由于数据缺失太严重，最后效果很差。
第二，金融行业的大部分数据都是经过整理规范化的。在建模之前，数据规范化需要进行大量工作，而金融业已经把这个过程完成了，节省了很多时间。
第三，金融行业对于建模准确程度有更好的认识。金融业之前利用SAS进行人工建模时，已经对于模型准确率有大概判断，对于我们软件的效果就会有更加明确的判断，方便对比。